ДалееСледующее руководство
Kalman Filters for Object Tracking
Визуальный ИИ
Техническое РУКОВОДСТВО
Фильтр Калмана оценивает скрытое состояние с течением времени, чередуя прогноз на основе модели с обновлением на основе зашумленных измерений.
Прослушайте это руководствоОзвучено ИИ · ~3 min
В условиях линейной динамики и гауссовского шума он дает эффективную рекурсивную оценку и неопределенность, тогда как несоответствие модели или нелинейные процессы требуют расширений или альтернативных фильтров.
Фильтр Калмана отслеживает скрытое состояние, которое нельзя наблюдать напрямую, например положение и скорость объекта. Он поддерживает оценку и ковариацию, описывающую неопределенность. На каждом временном шаге он сначала прогнозирует следующее состояние, используя модель перехода, и распространяет неопределенность. Затем он получает измерение, прогнозирует, что должен сообщить датчик, вычисляет новшество (измерение минус прогнозируемое измерение) и обновляет состояние в зависимости от того, насколько информативным является это измерение. В скалярном примере предположим, что прогнозируемое местоположение равно 10 с дисперсией 4, а показание датчика равно 14 с дисперсией измерения 4. Прирост представляет собой прогнозируемую дисперсию, разделенную на прогнозируемую плюс дисперсию измерения: 4/(4+4)=0,5. Обновленная оценка составляет 10 + 0,5*(14-10)=12. Равные неопределенности помещают результат на полпути между предсказанием и измерением. Если бы дисперсия измерений была намного больше, коэффициент усиления уменьшился бы, и фильтр больше опирался бы на свою модель состояний. Классический фильтр Калмана оптимален для линейных уравнений состояния и наблюдения с гауссовским шумом и правильно заданными ковариационными матрицами. Он рекурсивный, поэтому может обновлять оценки без сохранения всех прошлых измерений. Это делает его полезным для отслеживания, объединения датчиков и контроля. Допущения имеют значение: предвзятые датчики, изменяющаяся динамика, ошибки с тяжелыми хвостами или нелинейные зависимости могут ухудшить оценки. Расширенные фильтры Калмана и фильтры Калмана без запаха аппроксимируют нелинейные модели по-разному; фильтры частиц представляют собой более общие распределения с большими вычислительными затратами. Остаточные инновации следует отслеживать на предмет предвзятости, автокорреляции и неожиданно больших значений. Фильтр может выглядеть численно стабильным, если полагаться на плохую настройку технологического шума или шума измерения. Оценки состояния следует отличать от прямых наблюдений, а о неопределенности следует сообщать, когда от нее зависят решения. Фильтр Калмана сглаживает информацию во времени в соответствии со своей моделью; он не устраняет ошибку датчика и не гарантирует точное отслеживание при немоделированном движении.
Гипотетический автомобильный трекер прогнозирует положение, используя предыдущее положение и скорость, а затем обновляет эту оценку, когда поступает зашумленный сигнал GPS. Если шум измерения высок, показания получают меньший вес.
Датчик предсказал положение 10 с дисперсией 4, а измерение 14 имеет дисперсию 4. Скалярный коэффициент усиления Калмана равен 4/(4+4)=0,5, поэтому обновленная оценка равна 10+0,5(14-10)=12.
Аналитик сравнивает прогнозируемые и наблюдаемые измерения с течением времени. Постоянные крупные инновации могут сигнализировать о неправильной модели движения, проблемах с калибровкой датчиков или немоделированных изменениях.
Команда использует фильтр Калмана для линейного гауссовского процесса и рассматривает расширенный фильтр Калмана, когда уравнения перехода состояний или наблюдения нелинейны, учитывая используемое приближение.
Системы отслеживания могут более ответственно передавать оценки Калмана, показывая неопределенность состояния и диагностику инноваций рядом с предполагаемым путем. Команды должны проверять модели движения и наблюдения, используя записанные траектории, а также проверять сбои датчиков или резкие маневры. Когда остатки демонстрируют систематическую структуру, вернитесь к модели, а не просто более сильно сглаживайте. Для нелинейной динамики сравните расширенный фильтр или фильтр без запаха с методом, основанным на частицах, когда добавленная стоимость оправдана. Четкие записи Q, R и калибровки датчиков позволяют понять, почему оценки сильно или слабо реагируют на новые измерения.
Бесплатная рассылка
Три проверенных AI-истории каждое утро буднего дня, написанные простым английским. Бесплатно навсегда, без рекламы.
Одно электронное письмо каждый будний день. Отписаться в один клик. Мы никогда не продаем и не передаем ваш адрес.
Проверьте себя
Мгновенная обратная связь по каждому ответу и общий сертификат с проверяемым идентификатором после прохождения курса.
Поддержите бесплатное образование в области искусственного интеллекта. AI Understanding — это некоммерческая организация 501(c)(3). Никакой рекламы и платного доступа. Сделать пожертвование
Фильтр Калмана оценивает скрытое состояние с течением времени, чередуя прогноз на основе модели с обновлением на основе зашумленных измерений. В условиях линейной динамики и гауссовского шума он дает эффективную рекурсивную оценку и неопределенность, тогда как несоответствие модели или нелинейные процессы требуют расширений или альтернативных фильтров.
Фильтр распространяет оценку состояния и неопределенность, а затем включает входящие наблюдения.
Более зашумленные измерения менее информативны, что снижает коэффициент усиления по сравнению с прогнозируемой неопределенностью.
Классический результат оптимальности основан на линейных моделях состояний/наблюдений и предположениях о гауссовском шуме.
Инновация — это остаток между новым наблюдением и тем, что, по прогнозам модели, будет измерять датчик.
Систематические модели инноваций предполагают, что предположения о модели, калибровке или процессе могут быть неверными.
Продолжайте учиться
Другие руководства, выбранные по этой теме
ДалееСледующее руководство
Kalman Filters for Object Tracking
Визуальный ИИ